CN117215195A - 一种基于粒子群算法的飞行航线准时到达规划方法及装置 - Google Patents
一种基于粒子群算法的飞行航线准时到达规划方法及装置 Download PDFInfo
- Publication number
- CN117215195A CN117215195A CN202311296822.4A CN202311296822A CN117215195A CN 117215195 A CN117215195 A CN 117215195A CN 202311296822 A CN202311296822 A CN 202311296822A CN 117215195 A CN117215195 A CN 117215195A
- Authority
- CN
- China
- Prior art keywords
- preset
- time
- planning
- speed
- deceleration
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 239000002245 particle Substances 0.000 title claims abstract description 196
- 238000000034 method Methods 0.000 title claims abstract description 53
- 238000005457 optimization Methods 0.000 title claims description 16
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 102
- 238000013178 mathematical model Methods 0.000 claims abstract description 92
- 230000001133 acceleration Effects 0.000 claims description 79
- 230000006870 function Effects 0.000 claims description 27
- 239000000446 fuel Substances 0.000 claims description 20
- 238000004364 calculation method Methods 0.000 claims description 11
- 238000010276 construction Methods 0.000 claims description 4
- 230000001965 increasing effect Effects 0.000 claims description 4
- 238000004590 computer program Methods 0.000 claims description 3
- 230000003247 decreasing effect Effects 0.000 claims description 3
- 230000009471 action Effects 0.000 description 8
- 238000012545 processing Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 230000006978 adaptation Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 239000000463 material Substances 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000009194 climbing Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Landscapes
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
本发明公开了一种基于粒子群算法的飞行航线准时到达规划方法及装置,该方法包括:基于飞行平台性能对航线进行规划,生成预设航段,基于所述预设航段构建数学模型;基于所述数学模型,对粒子群算法进行预设,生成规划粒子群算法;基于所述规划粒子群算法计算所述数学模型,生成计划速度,基于所述计划速度,完成飞行航线准时到达的规划。本发明中的数学模型填补了准时到达功能的理论空白,本发明通过快速准确求解该数学模型填补了群智能算法在准时到达功能上应用的空白。
Description
技术领域
本发明涉及航线规划领域,具体而言,涉及一种基于粒子群算法的飞行航线准时到达规划方法及装置。
背景技术
在任务规划领域中的航线规划领域,准时到达功能是指规划航空飞行平台的飞行任务,使其在指定的时间准时到达指定航线点的功能。面对飞行器飞行速度快、飞行性能有限、时间精准度要求高、航线中航线点不可轻易更改的特点,对实现准时到达功能的规划算法求解有高精度、高速度的要求。同时虽然关于粒子群算法的研究也比较多,但是对于粒子群算法的关键参数的选取(如粒子速度)根据其应用场景的不同,粒子群算法并没有应用到准时到达规划领域,使得目前国内通过应用粒子群算法计算准时到达规划领域方面存在理论空白。
因此,需要一种或多种方法解决上述问题。
需要说明的是,在上述背景技术部分公开的信息仅用于加强对本发明的背景的理解,因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。
发明内容
本发明的目的在于提供一种基于粒子群算法的飞行航线准时到达规划方法及装置,进而在一定程度上克服由于相关技术的限制和缺陷而导致的一个或者多个问题。
第一个方面,本发明提供一种基于粒子群算法的飞行航线准时到达规划方法,包括以下步骤:
基于飞行平台性能对航线进行规划,生成预设航段,基于所述预设航段构建数学模型;
基于所述数学模型,对粒子群算法进行预设,生成规划粒子群算法;
基于所述规划粒子群算法计算所述数学模型,生成计划速度,基于所述计划速度,完成飞行航线准时到达的规划。
所述基于粒子群算法的飞行航线准时到达规划方法还包括以下步骤:
基于飞行平台性能对航线进行规划,生成第一准时到达点、第二准时到达点;
所述第一准时到达点预设为规划航段结束点,所述规划航段预设为准时到达航段;
所述第一准时到达点预设为所述预设航段起始点,所述第二准时到达点预设为所述预设航段结束点,所述预设航段为巡航航段。
所述基于粒子群算法的飞行航线准时到达规划方法还包括以下步骤:
当所述第一准时到达点到所述第二准时到达点所需任务时间大于等于预设时间时,在所述第一准时到达点后插入加速点,基于所述加速点,构建加速数学模型min|t+(v0,vobj,w0)+tc(vobj,w+)-(tsp-tst)|;
其中,t+(v0,vobj,w0)为加速耗时、tc(vobj,w+)为预设加速航段真速巡航耗时、tsp为航段终止点准时到达时刻、tst为航段起始点准时到达时刻;
基于所述加速数学模型,设立加速适应度数值f+(xi(t))=t+(v0,xi(t),w0)+tc(xi(t),w+)-(tsp-tst);
其中,f+(xi(t))为加速适应度数值、t+(v0,xi(t),w0)为预设加速航段加速耗时、tc(xi(t),w+)为预设加速航段真速巡航耗时、tsp为航段终止点准时到达时刻、tst为航段起始点准时到达时刻;
基于所述加速数学模型,设立加速数学模型约束条件其中,s.t.为约束条件,f+(v0,vobj,w0)为加速油耗、fc(vobj,dc,w+)为预设加速距离等真速巡航油耗、fmax为飞行平台起始点携带燃油,d+(v0,vobj,w0)为加速距离、dc为真速巡航距离、d为航段总距离,v0为初始速度、v+obj为加速目标速度、vmax为飞行平台最大速度,w0为飞行平台开始巡航时的总重、w+为飞行平台开始加速时的总重;
当所述第一准时到达点到所述第二准时到达点所需任务时间小于预设时间时,在所述第一准时到达点后插入减速点,基于所述减速点,构建减速数学模型min|t.(v0,vobj,w0)+tc(vobj,w.)-(tsp-tst)|;其中,t.(v0,vobj,w0)为减速耗时、tc(vobj,w.)为预设减速航段真速巡航耗时、tsp为航段终止点准时到达时刻、tst航段起始点准时到达时刻;
基于所述减速数学模型,设立减速适应度数值f_(xi(t))=t_(v0,xi(t),w0)+tc(xi(t),w.)-(tsp-tst);其中,f_(xi(t))为减速适应度数值、t_(v0,xi(t),w0)为预设减速航段减速耗时、tc(xi(t),w.)为预设减速航段真速巡航耗时、ts(为航段终止点准时到达时刻、tst航段起始点准时到达时刻;
基于所述减速数学模型,设立减速数学模型约束条件其中,s.t.为约束条件,f.(v0,vobj,w0)为减速油耗、fc(vobj,dc,w.)为预设减速距离等真速巡航油耗、fmax为飞行平台起始点携带燃油,d.(v0,vobj,w0)为减速距离、dc为真速巡航距离、d为航段总距离,v0为初始速度、v.obj为减速目标速度、vmin为飞行平台最小速度,w0为飞行平台开始巡航时的总重、w_为飞行平台开始减速时的总重。
所述基于粒子群算法的飞行航线准时到达规划方法还包括以下步骤:
基于所述数学模型,对粒子群算法的粒子速度函数进行预设,生成预设速度函数;
基于所述数学模型,对粒子群算法的粒子位置函数进行预设,生成预设位置函数;
基于所述预设速度函数、预设位置函数,生成规划粒子群算法。
所述基于粒子群算法的飞行航线准时到达规划方法还包括以下步骤:
基于所述规划粒子群算法,计算所述减速数学模型,当全局最优减速粒子与当前减速粒子在预设理想减速同侧时,减缓所述当前减速粒子;
基于所述规划粒子群算法,计算所述减速数学模型,当所述全局最优减速粒子与所述当前减速粒子在所述预设理想减速异侧时,通过设立减速粒子速度加快所述当前减速粒子;其中,vi-为减速粒子速度、gbest(t)为全局预设最优位置、xi(t)为预设位置、f-(xi(t))为预设位置减速适应度、f(gbest(t))为全局最优解适应度;
基于所述规划粒子群算法,计算所述加速数学模型,当全局最优加速粒子与当前加速粒子在预设理想加速同侧时,减缓所述当前加速粒子;
基于所述规划粒子群算法,计算所述加速数学模型,当所述全局最优加速粒子与所述当前加速粒子在所述预设理想加速异侧时,通过设立加速粒子速度加快所述当前加速粒子;其中,vi+为加速粒子速度、gbest(t)为全局预设最优位置、xi(t)为预设位置、f+(xi(t))为预设位置加速适应度、f(gbest(t))为全局最优解适应度。
所述基于粒子群算法的飞行航线准时到达规划方法还包括以下步骤:
基于所述规划粒子群算法,当全局最优粒子向预设理想速度收敛至预设末端位置时,计算所述数学模型,生成末端速度;
当所述末端速度大于所述理想速度时,减小所述末端速度预设值,当所述末端速度小于所述理想速度时,增大所述末端速度预设值;
当所述末端速度等于所述理想速度时,完成所述规划粒子群算法对所述数学模型的计算,实现飞行航线准时到达规划。
所述基于粒子群算法的飞行航线准时到达规划方法还包括以下步骤:
当所述当前减速粒子小于飞行平台预设最小速度时,向所述飞行平台发出当前航线无法完成准时到达信号;
当所述当前加速粒子大于飞行平台预设最大速度时,向所述飞行平台发出所述当前航线无法完成准时到达信号。
第二个方面,本发明提供一种基于粒子群算法的飞行航线准时到达规划装置,包括:
数学模型构建模块,用于对预设航段进行基于飞行平台性能的规划;
规划粒子群算法模块,用于对粒子群算法进行基于所述数学模型的预设;
计算模块,用于对所述数学模型进行基于所述规划粒子群算法的计算,完成飞行航线准时到达的规划。
第三个方面,本发明提供一种电子设备,包括:
处理器和存储器,所述存储器上存储有计算机可读指令,所述计算机可读指令被所述处理器执行时实现根据上述任意一项所述的方法。
第四个方面,本发明提供一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现根据上述任意一项所述的方法。
本发明的示例性实施例中的一种基于粒子群算法的飞行航线准时到达规划方法,其中,该方法包括:基于飞行平台性能对航线进行规划,生成预设航段,基于所述预设航段构建数学模型;基于所述数学模型,对粒子群算法进行预设,生成规划粒子群算法;基于所述规划粒子群算法计算所述数学模型,生成计划速度,基于所述计划速度,完成飞行航线准时到达的规划。该数学模型填补了准时到达功能的理论空白,本发明通过快速准确求解该数学模型填补了群智能算法在准时到达功能上应用的空白。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本发明。
附图说明
通过参照附图来详细描述其示例实施例,本发明的上述和其它特征及优点将变得更加明显。
图1是本发明一示例性实施例的一种基于粒子群算法的飞行航线准时到达规划方法的流程图;
图2是本发明一示例性实施例的一种基于粒子群算法的飞行航线准时到达规划方法的程序流程示意图;
图3是本发明一示例性实施例的一种基于粒子群算法的飞行航线准时到达规划装置的示意框图;
图4是本发明一示例性实施例的电子设备的框图;
图5是本发明一示例性实施例的计算机可读存储介质的示意图。
具体实施方式
现在将参考附图更全面地描述示例实施例。然而,示例实施例能够以多种形式实施,且不应被理解为限于在此阐述的实施例;相反,提供这些实施例使得本发明将全面和完整,并将示例实施例的构思全面地传达给本领域的技术人员。在图中相同的附图标记表示相同或类似的部分,因而将省略对它们的重复描述。
此外,所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施例中。在下面的描述中,提供许多具体细节从而给出对本发明的实施例的充分理解。然而,本领域技术人员将意识到,可以实践本发明的技术方案而没有所述特定细节中的一个或更多,或者可以采用其它的方法、组元、材料、装置、步骤等。在其它情况下,不详细示出或描述公知结构、方法、装置、实现、材料或者操作以避免模糊本发明的各方面。
附图中所示的方框图仅仅是功能实体,不一定必须与物理上独立的实体相对应。即,可以采用软件形式来实现这些功能实体,或在一个或多个软件硬化的模块中实现这些功能实体或功能实体的一部分,或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
在本示例实施例中,首先提供了一种基于粒子群算法的飞行航线准时到达规划方法;参考图1中所示,该一种基于粒子群算法的飞行航线准时到达规划方法可以包括以下步骤:
步骤S110,基于飞行平台性能对航线进行规划,生成预设航段,基于所述预设航段构建数学模型;
步骤S120,基于所述数学模型,对粒子群算法进行预设,生成规划粒子群算法;
步骤S130,基于所述规划粒子群算法计算所述数学模型,生成计划速度,基于所述计划速度,完成飞行航线准时到达的规划。
本发明的示例性实施例中的一种基于粒子群算法的飞行航线准时到达规划方法,其中,该方法包括:基于飞行平台性能对航线进行规划,生成预设航段,基于所述预设航段构建数学模型;基于所述数学模型,对粒子群算法进行预设,生成规划粒子群算法;基于所述规划粒子群算法计算所述数学模型,生成计划速度,基于所述计划速度,完成飞行航线准时到达的规划。该数学模型填补了准时到达功能的理论空白,本发明通过快速准确求解该数学模型填补了群智能算法在准时到达功能上应用的空白。
下面,将对本示例实施例中的一种基于粒子群算法的飞行航线准时到达规划方法进行进一步的说明。
在模版配置步骤S110中,可以基于飞行平台性能对航线进行规划,生成预设航段,基于所述预设航段构建数学模型。
在本示例的实施例中,基于飞行平台性能对航线进行规划,生成第一准时到达点、第二准时到达点;所述第一准时到达点预设为规划航段结束点,所述规划航段预设为准时到达航段;所述第一准时到达点预设为所述预设航段起始点,所述第二准时到达点预设为所述预设航段结束点,所述预设航段为巡航航段(不含加/减速、爬升/下降的航段)。
即,当存在两个及以上准时到达点的航线时,从第一个准时到达点开始向后编号到第n个准时到达点,n为自然数。设置准时到达点集合为{Pi},i=1,2,3,...,n,i的取值为1到n之间,并以预设航段作为单位依次向后计算。此时,对于第一个准时到达点P1的规划是容易的,只需在原本的航线规划基础上根据准时到达时间提前或推后起飞时间即可。之后,任取k∈N∩[1,n-1],k的取值在1到n-1之间,如果Pk是已完成准时到达规划的第一准时到达点,Pk+1则为第二准时到达点。
在本示例的实施例中,当所述第一准时到达点到所述第二准时到达点所需任务时间大于等于预设时间时,在所述第一准时到达点后插入加速点,基于所述加速点,构建加速数学模型。当所述第一准时到达点到所述第二准时到达点所需任务时间小于预设时间时,在所述第一准时到达点后插入减速点,基于所述减速点,构建减速数学模型。
在数学模型建立前,设置通用假设为:假设航段风速恒定、航线温度恒定,飞行阻力系数根据飞行挂载方案与飞行平台性能确定为固定常数,巡航为等真速巡航。
加速数学模型建模:假设以Pk+1为结束点的航段是巡航航段,需要加速时的数学模型(模型一)min|t+(v0,vobj,w0)+tc(vobj,w+)-(tsp-tst)|,其中,t+(v0,vobj,w0)为加速耗时、tc(vobj,w+)为预设加速航段真速巡航耗时、tsp为航段终止点准时到达时刻、tst为航段起始点准时到达时刻。即,本航段加速耗时真速巡航耗时之和(实际耗时)减去航段终止点准时到达时刻、航段起始点准时到达时刻之差(理想耗时)的差值,差值越小越理想,故求最小差值。
同时,基于所述加速数学模型,设立加速数学模型约束条件
其中,s.t.为约束条件,f+(v0,vobj,w0)为加速油耗、fc(vobj,dc,w+)为预设加速距离等真速巡航油耗、fmax为飞行平台起始点携带燃油,d+(v0,vobj,w0)为加速距离、dc为真速巡航距离、d为航段总距离,v0为初始速度、v+obj为加速目标速度、vmax为飞行平台最大速度,w0为飞行平台开始巡航时的总重、w+为飞行平台开始加速时的总重。
即,通过对油耗进行约束:加速动作的油耗、等速巡航动作的油耗的总和,不能大于飞行平台在航段起始点的携带油量。
对飞行距离进行约束:加速动作和真速巡航动作的飞行距离与航段的总距离相等。
对加速目标速度进行约束:加速目标速度取值在初始速度和飞行平台最大飞行速度之间。
对距离正负进行约束:距离不能为负数,航段的总距离为实际已知距离,航段总距离非负;根据飞行平台加速数学模型的建立,加速距离非负,故对真速巡航距离进行约束,使真速巡航距离非负。
为方便通过粒子群算法对所述加速数学模型进行计算,设立加速适应度数值。令,所述加速适应度数值f+(xi(t))=t+(v0,xi(t),w0)+tc(xi(t),w+)-(tsp-tst);其中,f+(xi(t))为加速适应度数值、t+(v0,xi(t),w0)为预设加速航段加速耗时、tc(xi(t),w+)为预设加速航段真速巡航耗时、tsp为航段终止点准时到达时刻、tst为航段起始点准时到达时刻。即,加速适应度数值等于本航段加速耗时、真速巡航耗时之和(实际耗时)减去航段终止点准时到达时刻、航段起始点准时到达时刻之差(理想耗时)的差值。
减速数学模型的建模:假设以Pk+1为结束点的航段是巡航航段,需要减速时的数学模型(模型二)min|t_(v0,vobj,w0)+tc(vobj,w_)-(tsp-tst)|,t_(v0,vobj,w0)为减速耗时、tc(vobj,w_)为预设减速航段真速巡航耗时、tsp为航段终止点准时到达时刻、tst航段起始点准时到达时刻。即,本航段减速耗时、真速巡航耗时之和(实际耗时)减去航段终止点准时到达时刻、航段起始点准时到达时刻之差(理想耗时)的差值,差值越小越理想,故求最小差值。
同时,基于所述减速数学模型,设立减速数学模型约束条件
s.t.为约束条件,f_(v0,vobj,w0)为减速油耗、fc(vobj,dc,w_)为预设减速距离等真速巡航油耗、fmax为飞行平台起始点携带燃油d_(v0,vobj,w0)为减速距离、dc为真速巡航距离、d为航段总距离,v0为初始速度、v_obj为减速目标速度、vmin为飞行平台最小速度,w0为飞行平台开始巡航时的总重、w_为飞行平台开始减速时的总重。
即,通过对油耗进行约束:减速动作的油耗、真速巡航动作的油耗的总和,不能大于飞行平台在航段起始点的携带油量。
对飞行距离进行约束:减速动作和真速巡航动作的飞行距离与航段的总距离相等。
对减速目标速度进行约束:减速目标速度取值在初始速度和飞行平台最小飞行速度之间。
对距离正负进行约束:距离不能为负数,航段的总距离为实际已知距离,航段总距离非负;根据飞行平台减速数学模型的建立,减速距离非负,故对巡航距离进行约束,使巡航距离非负。
为方便通过粒子群算法对所述减速数学模型进行计算,设立减速适应度数值。令,所述减速适应度数值f-(xi(t))=t-(v0,xi(t),w0)+tc(xi(t),w-)-(tsp-tst),其中,f-(xi(t))为减速适应度数值、t-(v0,xi(t),w0)为预设减速航段减速耗时、tc(xi(t),w-)为预设减速航段真速巡航耗时、tsp为航段终止点准时到达时刻、tst航段起始点准时到达时刻。即,减速适应度数值等于本航段减速耗时、真速巡航耗时之和(实际耗时)减去航段终止点准时到达时刻、航段起始点准时到达时刻之差(理想耗时)的差值。
在本示例的实施例中,基于所述数学模型,对粒子群算法的粒子速度函数进行预设,生成预设速度函数;基于所述数学模型,对粒子群算法的粒子位置函数进行预设,生成预设位置函数;基于所述预设速度函数、预设位置函数,生成规划粒子群算法。
其中,i=1,2,3,..,NP,j=1,2,3,...,D。
所述经典粒子群算法是先对迭代循环的执行条件进行设立(输入:迭代次数T;种群规模NP;问题维度D。输出:全局最佳位置向量x*(t)。迭代初始值设置为:t=1);对初始化粒子的位置向量和速度向量进行设定;对适应度数值进行设定,使适应度数值不小于预设数值并且迭代次数不超过预设的迭代上限(算法1中,步骤1-4)。
之后,基于当前粒子i在种群规模1到NP之间的取值,通过对每个粒子的适应度进行计算、比较、更新记录得到每个粒子的最优位置(局部最优位置),再比较所有粒子的最优位置,得到全局最优位置(算法1中,步骤5-8)。
具体实现方式是,基于当前粒子i在种群规模1到NP之间的取值,问题维度j在1到D之间的取值。根据当前粒子i的上一次速度更新其接下来的一次速度再根据更新过的速度/>去计算当前的位置/>得到局部最佳位置。最后通过对t的赋值完成迭代,得到全局最佳位置。(算法1中,步骤9-16)。
本示例在现有的经典粒子群算法中进行了改进,对速度函数和位置函数/>进行了更新得到了算法2规划粒子群算法。
其中i=1,2,3,..,NP,问题维度是一维的,可以不考虑参数D。
所述规划粒子群算法是先对迭代循环的执行条件进行设立(输入:迭代次数T;种群规模NP;末端搜索速度vs>0;问题维度D=1。
输出:全局最佳位置向量x*(t))。之后,将迭代初始值设置为:t=1,初始化粒子的位置向量设置为:xi,最后,所述规划粒子群算法通过在飞行平台最小速度和飞行平台最大速度之间取一个随机值作为初始化粒子的位置向量,所述随机值的取值规则服从平均分布(算法2中,步骤1-3)。
基于当前粒子i在种群规模1到NP之间的取值,之后通过带入到模型约束条件中对所述初始化粒子的位置向量进行验证(算法2中,步骤4-5)。
在完成验证之后,将每个粒子的初始速度设定为:vi,同时对迭代循环的执行条件进行设立,使适应度数值不小于预设数值并且迭代次数不超过预设的迭代上限(算法2中,步骤6-8)。
当开始计算时,基于当前粒子i在种群规模1到NP之间的取值,通过对每个粒子的适应度进行计算、比较、更新记录得到每个粒子的最优位置(局部最优位置),再比较所有粒子的最优位置,得到全局最优位置(算法2中,步骤9-12)。
在本示例的实施例中,如图2所示,基于所述规划粒子群算法,计算所述减速数学模型,当全局最优减速粒子与当前减速粒子在预设理想减速同侧时,减缓所述当前减速粒子;基于所述规划粒子群算法,计算所述减速数学模型,当全局最优减速粒子与当前减速粒子在预设理想减速异侧时,通过设立减速粒子速度 (其速度取全局最优位置与当前位置差的一个比率的倍数,这个比率是这个粒子当前位置的适应度的绝对值,占这个粒子当前位置的适应度的绝对值与全局最优解适应度绝对值差的多少)其中,vi+为加速粒子速度、gbest(t)为全局预设最优位置、xi(t)为预设位置、f+(xi(t))为预设位置加速适应度、f(gbest(t))为全局最优解适应度。加快所述当前减速粒子。
基于所述规划粒子群算法,计算所述加速数学模型,当全局最优加速粒子与当前加速粒子在预设理想加速同侧时,减缓所述当前加速粒子;基于所述规划粒子群算法,计算所述加速数学模型,当所述全局最优加速粒子与所述当前加速粒子在所述预设理想加速异侧时,通过设立加速粒子速度
其速度取全局最优位置与当前位置差的一个比率的倍数,这个比率是这个粒子当前位置的适应度的绝对值,占这个粒子当前位置的适应度的绝对值与全局最优解适应度绝对值差的多少)其中,vi+为加速粒子速度、gbest(t)为全局预设最优位置、xi(t)为预设位置、f+(xi(t))为预设位置加速适应度、f(gbest(t))为全局最优解适应度。加快所述当前加速粒子。即,当f(xi)f(gbest(t))≥0时,当前粒子与全局最优解对应的粒子落在理想解(实数轴上)同一侧(取等号为保证分类全面,等于零不影响算法结果,会在下次循环时跳出,返回理想解),此时当前粒子xi要“赶超”全局最优解以期更提前找到理想解,故其速度为:vi=1.5×(gbest(t)-xi(t))。
当f(xi)f(gbest(t))<0时,当前粒子与全局最优解落在理想解不同侧,当前粒子xi要“适当”地在自己与全局最优解之间寻找理想解,故其速度:(此处,当使用减速数学模型时设定当使用加速数学模型时设定之后对粒子位置进行更新,更新后的粒子的位置为粒子原本位置与粒子速度的和(算法2中,步骤20-24)。
在本示例的实施例中,基于所述规划粒子群算法,当全局最优粒子向所述预设理想速度收敛至预设末端位置时,计算所述数学模型,生成末端速度;当所述末端速度大于所述理想速度时,减小所述末端速度预设值,当所述末端速度小于所述理想速度时,增大所述末端速度预设值;当所述末端速度等于所述理想速度时,完成所述规划粒子群算法对所述数学模型的计算,实现飞行航线准时到达规划。
预设值保证规划粒子群算法的全局最优解在向理想解(使f(x(t)*)=0的x(t)*)收敛过程的末端也有相对较快的速度,全局最优解不需要“大跨度”寻找理想解,只需要更“谨慎细微”地搜索理想解。
即,末端搜索过程,f(xi)>0表明速度过快,需要减小全局最优解gbest(t),其速度取预设速度vs的相反数;f(xi)<0表明速度过慢,需要增大全局最优解gbest(t),其速度取预设速度vs本身。每次修正可以取预设值vs=5km/h(算法2中,步骤14-18)。
在本示例的实施例中,如图2所示,当所述当前减速粒子小于飞行平台预设最小速度时,通过触界反弹的方式对所述粒子位置进行修正,同时向所述飞行平台发出当前航线无法完成准时到达信号;当所述当前加速粒子大于飞行平台预设最大速度时,通过触界反弹的方式对所述粒子位置进行修正,同时向所述飞行平台发出所述当前航线无法完成准时到达信号(算法2中,步骤26-29)。
需要说明的是,尽管在附图中以特定顺序描述了本发明中方法的各个步骤,但是,这并非要求或者暗示必须按照该特定顺序来执行这些步骤,或是必须执行全部所示的步骤才能实现期望的结果。附加的或备选的,可以省略某些步骤,将多个步骤合并为一个步骤执行,以及/或者将一个步骤分解为多个步骤执行等。
此外,在本示例实施例中,还提供了一种基于粒子群算法的飞行航线准时到达规划装置。参照图3所示,该一种基于粒子群算法的飞行航线准时到达规划装置400可以包括:数学模型构建模块410、规划粒子群算法模块420以及计算模块430。其中:
数学模型构建模块410,用于对预设航段进行基于飞行平台性能的规划;
规划粒子群算法模块420,用于对粒子群算法进行基于所述数学模型的预设;
计算模块430,用于对所述数学模型进行基于所述规划粒子群算法的计算,完成飞行航线准时到达的规划。
上述中各一种基于粒子群算法的飞行航线准时到达规划装置模块的具体细节已经在对应的一种基于粒子群算法的飞行航线准时到达规划方法中进行了详细的描述,因此此处不再赘述。
应当注意,尽管在上文详细描述中提及了一种基于粒子群算法的飞行航线准时到达规划装置400的若干模块或者单元,但是这种划分并非强制性的。实际上,根据本发明的实施方式,上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之,上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。
此外,在本发明的示例性实施例中,还提供了一种能够实现上述方法的电子设备。
所属技术领域的技术人员能够理解,本发明的各个方面可以实现为系统、方法或程序产品。因此,本发明的各个方面可以具体实现为以下形式,即:完全的硬件实施例、完全的软件实施例(包括固件、微代码等),或硬件和软件方面结合的实施例,这里可以统称为“电路”、“模块”或“系统”。
下面参照图4来描述根据本发明的这种实施例的电子设备500。图4显示的电子设备500仅仅是一个示例,不应对本发明实施例的功能和使用范围带来任何限制。
如图4所示,电子设备500以通用计算设备的形式表现。电子设备500的组件可以包括但不限于:上述至少一个处理单元510、上述至少一个存储单元520、连接不同系统组件(包括存储单元520和处理单元510)的总线530、显示单元540。
其中,所述存储单元存储有程序代码,所述程序代码可以被所述处理单元510执行,使得所述处理单元510执行本说明书上述“示例性方法”部分中描述的根据本发明各种示例性实施例的步骤。例如,所述处理单元510可以执行如图1中所示的步骤S110至步骤S130。
存储单元520可以包括易失性存储单元形式的可读介质,例如随机存取存储单元(RAM)5201和/或高速缓存存储单元5202,还可以进一步包括只读存储单元(ROM)5203。
存储单元520还可以包括具有一组(至少一个)程序模块5203的程序/实用工具5204,这样的程序模块5205包括但不限于:操作系统、一个或者多个应用程序、其它程序模块以及程序数据,这些示例中的每一个或某种组合中可能包括网络环境的实现。
总线550可以为表示几类总线结构中的一种或多种,包括存储单元总线或者存储单元控制器、外围总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。
电子设备500也可以与一个或多个外部设备570(例如键盘、指向设备、蓝牙设备等)通信,还可与一个或者多个使得用户能与该电子设备500交互的设备通信,和/或与使得该电子设备500能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口进行。并且,电子设备500还可以通过网络适配器560与一个或者多个网络(例如局域网(LAN),广域网(WAN)和/或公共网络,例如因特网)通信。如图所示,网络适配器560通过总线550与电子设备500的其它模块通信。应当明白,尽管图中未示出,可以结合电子设备500使用其它硬件和/或软件模块,包括但不限于:微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RA ID系统、磁带驱动器以及数据备份存储系统等。
通过以上的实施例的描述,本领域的技术人员易于理解,这里描述的示例实施例可以通过软件实现,也可以通过软件结合必要的硬件的方式来实现。因此,根据本发明实施例的技术方案可以以软件产品的形式体现出来,该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM,U盘,移动硬盘等)中或网络上,包括若干指令以使得一台计算设备(可以是个人计算机、服务器、终端装置、或者网络设备等)执行根据本发明实施例的方法。
在本发明的示例性实施例中,还提供了一种计算机可读存储介质,其上存储有能够实现本说明书上述方法的程序产品。在一些可能的实施例中,本发明的各个方面还可以实现为一种程序产品的形式,其包括程序代码,当所述程序产品在终端设备上运行时,所述程序代码用于使所述终端设备执行本说明书上述“示例性方法”部分中描述的根据本发明各种示例性实施例的步骤。
参考图5所示,描述了根据本发明的实施例的用于实现上述方法的程序产品600,其可以采用便携式紧凑盘只读存储器(CD-ROM)并包括程序代码,并可以在终端设备,例如个人电脑上运行。然而,本发明的程序产品不限于此,在本文件中,可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
所述程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了可读程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。可读信号介质还可以是可读存储介质以外的任何可读介质,该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于无线、有线、光缆、RF等等,或者上述的任意合适的组合。
可以以一种或多种程序设计语言的任意组合来编写用于执行本发明操作的程序代码,所述程序设计语言包括面向对象的程序设计语言—诸如Java、C++等,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中,远程计算设备可以通过任意种类的网络,包括局域网(LAN)或广域网(WAN),连接到用户计算设备,或者,可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
此外,上述附图仅是根据本发明示例性实施例的方法所包括的处理的示意性说明,而不是限制目的。易于理解,上述附图所示的处理并不表明或限制这些处理的时间顺序。另外,也易于理解,这些处理可以是例如在多个模块中同步或异步执行的。
本领域技术人员在考虑说明书及实践这里公开的发明后,将容易想到本发明的其他实施例。本申请旨在涵盖本发明的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本发明的一般性原理并包括本发明未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本发明的真正范围和精神由权利要求指出。
应当理解的是,本发明并不局限于上面已经描述并在附图中示出的精确结构,并且可以在不脱离其范围进行各种修改和改变。本发明的范围仅由所附的权利要求来限。
Claims (10)
1.一种基于粒子群算法的飞行航线准时到达规划方法,其特征在于,包括以下步骤:
基于飞行平台性能对航线进行规划,生成预设航段,基于所述预设航段构建数学模型;
基于所述数学模型,对粒子群算法进行预设,生成规划粒子群算法;
基于所述规划粒子群算法计算所述数学模型,生成计划速度,基于所述计划速度,完成飞行航线准时到达的规划。
2.如权利要求1所述的基于粒子群算法的飞行航线准时到达规划方法,其特征在于,还包括以下步骤:
基于飞行平台性能对航线进行规划,生成第一准时到达点、第二准时到达点;
所述第一准时到达点预设为规划航段结束点,所述规划航段预设为准时到达航段;
所述第一准时到达点预设为所述预设航段起始点,所述第二准时到达点预设为所述预设航段结束点,所述预设航段为巡航航段。
3.如权利要求2所述的基于粒子群算法的飞行航线准时到达规划方法,其特征在于,还包括以下步骤:
当所述第一准时到达点到所述第二准时到达点所需任务时间大于等于预设时间时,在所述第一准时到达点后插入加速点,基于所述加速点,构建加速数学模型min|t+(v0,vobj,w0)+tc(vobj,w+)-(tsp-tst)|;
其中,t+(v0,vobj,w0)为加速耗时、tc(vobj,w+)为预设加速航段真速巡航耗时、tsp为航段终止点准时到达时刻、tst为航段起始点准时到达时刻;
基于所述加速数学模型,设立加速适应度数值f+(xi(t))=t+(v0,xi(t),w0)+tc(xi(t),w+)-(tsp-tst);
其中,f+(xi(t))为加速适应度数值、t+(v0,xi(t),w0)为预设加速航段加速耗时、tc(xi(t),w+)为预设加速航段真速巡航耗时、tsp为航段终止点准时到达时刻、tst为航段起始点准时到达时刻;
基于所述加速数学模型,设立加速数学模型约束条件其中,s.t.为约束条件,f+(v0,vobj,w0)为加速油耗、fc(vobj,dc,w+)为预设加速距离等真速巡航油耗、fmax为飞行平台起始点携带燃油,d+(v0,vobj,w0)为加速距离、dc为真速巡航距离、d为航段总距离,v0为初始速度、v+boj为加速目标速度、vmax为飞行平台最大速度,w0为飞行平台开始巡航时的总重、w+为飞行平台开始加速时的总重;
当所述第一准时到达点到所述第二准时到达点所需任务时间小于预设时间时,在所述第一准时到达点后插入减速点,基于所述减速点,构建减速数学模型min|t-(v0,vobj,w0)+tc(vobj,w-)-(tsp-tst)|;其中,t-(v0,vobj,w0)为减速耗时、tc(vobj,w-)为预设减速航段真速巡航耗时、tsp为航段终止点准时到达时刻、tst航段起始点准时到达时刻;
基于所述减速数学模型,设立减速适应度数值f-(xi(t))=t-(v0,xi(t),w0)+tc(xi(t),w-)-(tsp-tst);其中,f-(xi(t))为减速适应度数值、t-(v0,xi(t),w0)为预设减速航段减速耗时、tc(xi(t),w-)为预设减速航段真速巡航耗时、tsp为航段终止点准时到达时刻、tst航段起始点准时到达时刻;
基于所述减速数学模型,设立减速数学模型约束条件其中,s.t.为约束条件,f-(v0,vobj,w0)为减速油耗、fc(vobj,dc,w-)为预设减速距离等真速巡航油耗、fmax为飞行平台起始点携带燃油,d-(v0,vobj,w0)为减速距离、dc为真速巡航距离、d为航段总距离,v0为初始速度、v-obj为减速目标速度、vmin为飞行平台最小速度,w0为飞行平台开始巡航时的总重、w-为飞行平台开始减速时的总重。
4.如权利要求3所述的基于粒子群算法的飞行航线准时到达规划方法,其特征在于,还包括以下步骤:
基于所述数学模型,对粒子群算法的粒子速度函数进行预设,生成预设速度函数;
基于所述数学模型,对粒子群算法的粒子位置函数进行预设,生成预设位置函数;
基于所述预设速度函数、预设位置函数,生成规划粒子群算法。
5.如权利要求4所述的基于粒子群算法的飞行航线准时到达规划方法,其特征在于,还包括以下步骤:
基于所述规划粒子群算法,计算所述减速数学模型,当全局最优减速粒子与当前减速粒子在预设理想减速同侧时,减缓所述当前减速粒子;
基于所述规划粒子群算法,计算所述减速数学模型,当所述全局最优减速粒子与所述当前减速粒子在所述预设理想减速异侧时,通过设立减速粒子速度加快所述当前减速粒子;其中,vi-为减速粒子速度、gbest(t)为全局预设最优位置、xi(t)为预设位置、f-(xi(t))为预设位置减速适应度、f(gbest(t))为全局最优解适应度;
基于所述规划粒子群算法,计算所述加速数学模型,当全局最优加速粒子与当前加速粒子在预设理想加速同侧时,减缓所述当前加速粒子;
基于所述规划粒子群算法,计算所述加速数学模型,当所述全局最优加速粒子与所述当前加速粒子在所述预设理想加速异侧时,通过设立加速粒子速度加快所述当前加速粒子,其中,vi+为加速粒子速度、gbest(t)为全局预设最优位置、xi(t)为预设位置、f+(xi(t))为预设位置加速适应度、f(gbest(t))为全局最优解适应度。
6.如权利要求5所述的基于粒子群算法的飞行航线准时到达规划方法,其特征在于,还包括以下步骤:
基于所述规划粒子群算法,当全局最优粒子向预设理想速度收敛至预设末端位置时,计算所述数学模型,生成末端速度;
当所述末端速度大于所述理想速度时,减小所述末端速度预设值,当所述末端速度小于所述理想速度时,增大所述末端速度预设值;
当所述末端速度等于所述理想速度时,完成所述规划粒子群算法对所述数学模型的计算,实现飞行航线准时到达规划。
7.如权利要求5所述的基于粒子群算法的飞行航线准时到达规划方法,其特征在于,还包括以下步骤:
当所述当前减速粒子小于飞行平台预设最小速度时,向所述飞行平台发出当前航线无法完成准时到达信号;
当所述当前加速粒子大于飞行平台预设最大速度时,向所述飞行平台发出所述当前航线无法完成准时到达信号。
8.一种基于粒子群算法的飞行航线准时到达规划装置,其特征在于,所述装置包括:
数学模型构建模块,用于对预设航段进行基于飞行平台性能的规划;
规划粒子群算法模块,用于对粒子群算法进行基于所述数学模型的预设;
计算模块,用于对所述数学模型进行基于所述规划粒子群算法的计算,完成飞行航线准时到达的规划。
9.一种电子设备,其特征在于,包括:
处理器和存储器,所述存储器上存储有计算机可读指令,所述计算机可读指令被所述处理器执行时实现根据权利要求1至7中任一项所述的方法。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现根据权利要求1至7中任一项所述方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311296822.4A CN117215195A (zh) | 2023-10-08 | 2023-10-08 | 一种基于粒子群算法的飞行航线准时到达规划方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311296822.4A CN117215195A (zh) | 2023-10-08 | 2023-10-08 | 一种基于粒子群算法的飞行航线准时到达规划方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117215195A true CN117215195A (zh) | 2023-12-12 |
Family
ID=89040660
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311296822.4A Pending CN117215195A (zh) | 2023-10-08 | 2023-10-08 | 一种基于粒子群算法的飞行航线准时到达规划方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117215195A (zh) |
-
2023
- 2023-10-08 CN CN202311296822.4A patent/CN117215195A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2022148282A1 (zh) | 一种车辆轨迹规划方法、装置、存储介质及设备 | |
EP3485432B1 (en) | Training machine learning models on multiple machine learning tasks | |
US20180253987A1 (en) | Learning of policy for selection of associative topic in dialog system | |
WO2022252457A1 (zh) | 一种自动驾驶控制方法、装置、设备及可读存储介质 | |
CN111474949A (zh) | 无人机集群飞行可行路径轨迹规划方法、无人机群及介质 | |
CN111002975B (zh) | 车辆能量管理方法、系统、电子设备和存储介质 | |
CN113052253A (zh) | 超参数确定方法、装置、深度强化学习框架、介质及设备 | |
CN115016435A (zh) | 一种自动驾驶车辆测试方法、装置、系统、设备和介质 | |
CN114327876A (zh) | 一种无人机辅助移动边缘计算的任务卸载方法和装置 | |
CN113759751A (zh) | 一种基于仿真系统的强化学习方法、装置和系统 | |
CN117215195A (zh) | 一种基于粒子群算法的飞行航线准时到达规划方法及装置 | |
CN115289917B (zh) | 基于深度学习的火箭子级着陆实时最优制导方法及系统 | |
CN113625768B (zh) | 一种火星直升机航迹规划方法、系统、设备及存储介质 | |
CN116339373A (zh) | 一种蒙特卡洛自适应动态规划无人机控制方法及系统 | |
CN116384606A (zh) | 一种基于车辆无人机协同配送的调度优化方法及系统 | |
CN117077990B (zh) | 一种基于飞行平台的航线准时到达模型设计方法及装置 | |
CN112595333B (zh) | 道路导航数据的处理方法、装置、电子设备及存储介质 | |
CN115221799A (zh) | 一种基于多分支的无人集群超实时推演系统及方法 | |
CN111078886B (zh) | 基于dmcnn的特殊事件提取系统 | |
CN113761701A (zh) | 目标仿真控制的方法和装置 | |
CN112379692A (zh) | 无人机航线的确定方法、装置、设备及存储介质 | |
Sparapany | Towards the real-time application of indirect methods for hypersonic missions | |
CN111709513B (zh) | 长短期记忆网络lstm的训练系统、方法及电子设备 | |
CN111722720B (zh) | 人机交互方法、装置及终端 | |
CN116047889B (zh) | 一种虚实结合仿真系统中控制补偿方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |